《伤寒论》398条方剂数据库构建：Python 爬虫抓取与 10 类方证关系分析

《伤寒论》398条方剂数据库构建Python爬虫抓取与10类方证关系分析中医药古籍数字化是当前中医药信息化建设的重要方向。《伤寒论》作为中医四大经典之一其398条条文蕴含着丰富的临床经验和辨证论治思想。本文将详细介绍如何利用Python技术构建《伤寒论》方剂数据库并通过数据挖掘方法分析10类主要方证关系。1. 数据采集与预处理构建《伤寒论》数据库的第一步是获取结构化数据源。由于古籍文本的特殊性我们需要处理多种格式的原始数据import requests from bs4 import BeautifulSoup import pdfplumber import re # 网页抓取示例 def scrape_web_content(url): headers {User-Agent: Mozilla/5.0} response requests.get(url, headersheaders) soup BeautifulSoup(response.text, html.parser) content soup.find(div, class_content).get_text() return content # PDF文本提取示例 def extract_pdf_text(pdf_path): with pdfplumber.open(pdf_path) as pdf: text \n.join([page.extract_text() for page in pdf.pages]) return text关键预处理步骤文本清洗去除标点、注释等非正文内容条文分割按照第X条的格式分割文本元数据提取识别条文编号、所属篇章等信息提示古籍文本中存在大量异体字和通假字建议建立替换映射表统一处理2. 数据结构设计与实体识别《伤寒论》条文包含多个结构化要素我们需要设计合理的数据库模型实体类型字段说明示例条文编号、原文、篇章12、太阳中风阳浮而阴弱...方剂名称、组成、煎服法桂枝汤桂枝、芍药...症状描述、部位、性质头痛、发热、恶寒病机病理机制阳气重故也# 使用正则表达式提取方剂信息 def extract_prescriptions(text): pattern r(.汤)主之 prescriptions re.findall(pattern, text) return list(set(prescriptions)) # 症状提取示例 def extract_symptoms(text): symptom_keywords [头痛,发热,恶寒,汗出,口渴] return [s for s in symptom_keywords if s in text]3. 关系型数据库构建采用SQLite实现轻量级数据库存储import sqlite3 def create_database(db_path): conn sqlite3.connect(db_path) c conn.cursor() # 创建条文表 c.execute(CREATE TABLE IF NOT EXISTS clauses (id INTEGER PRIMARY KEY, number TEXT, text TEXT, chapter TEXT)) # 创建方剂表 c.execute(CREATE TABLE IF NOT EXISTS prescriptions (id INTEGER PRIMARY KEY, name TEXT, composition TEXT)) # 创建症状表 c.execute(CREATE TABLE IF NOT EXISTS symptoms (id INTEGER PRIMARY KEY, description TEXT, location TEXT, nature TEXT)) conn.commit() return conn数据库ER图关键关系条文-方剂一对多关系一个条文可能包含多个方剂条文-症状多对多关系方剂-症状间接关联关系4. 方证关系分析与数据挖掘基于数据库内容我们可以对10类主要方证关系进行统计分析桂枝汤类方证麻黄汤类方证柴胡汤类方证承气汤类方证泻心汤类方证四逆汤类方证白虎汤类方证五苓散类方证理中汤类方证栀子豉汤类方证# 方证关联分析示例 def analyze_prescription_patterns(db_conn): cursor db_conn.cursor() # 统计各主要方剂出现频率 cursor.execute(SELECT name, COUNT(*) as count FROM prescriptions GROUP BY name ORDER BY count DESC) results cursor.fetchall() # 分析方剂-症状共现关系 cursor.execute(SELECT p.name, s.description FROM prescriptions p JOIN clause_prescription cp ON p.id cp.prescription_id JOIN clause_symptom cs ON cp.clause_id cs.clause_id JOIN symptoms s ON cs.symptom_id s.id) co_occurrences cursor.fetchall() return results, co_occurrences常见方证关系模式桂枝汤证发热、汗出、恶风、脉浮缓麻黄汤证发热、恶寒、无汗、身疼痛小柴胡汤证往来寒热、胸胁苦满、默默不欲饮食大承气汤证潮热、谵语、腹满痛、大便硬5. 可视化分析与应用利用数据分析结果可以生成多种可视化图表import matplotlib.pyplot as plt import pandas as pd def visualize_prescription_frequency(data): df pd.DataFrame(data, columns[Prescription, Frequency]) df df[df[Frequency] 3] # 筛选高频方剂 plt.figure(figsize(12,6)) plt.bar(df[Prescription], df[Frequency]) plt.title(Frequency of Major Prescriptions in Shanghan Lun) plt.xticks(rotation45) plt.tight_layout() plt.show()分析结果应用方向临床决策支持基于症状推荐可能适用的经方教学辅助可视化展示方证对应关系文献研究量化分析《伤寒论》用药规律新药研发发现潜在的方剂组合模式注意实际应用中应考虑中医辨证论治的整体性不能单纯依赖数据匹配6. 技术挑战与解决方案在项目实施过程中我们遇到了几个关键技术难题古籍文本处理的特殊挑战异体字和通假字问题建立专门的映射词典采用模糊匹配算法文言文语法结构复杂使用基于规则的分句方法开发领域特定的分词工具医学术语标准化参照《中医药学名词》标准人工校对关键术语# 中医术语标准化示例 def standardize_terms(text): term_mapping { 鞕: 硬, 内: 纳, 圊: 清 } for old, new in term_mapping.items(): text text.replace(old, new) return text性能优化技巧对大规模文本处理采用多进程并行建立内存缓存避免重复计算使用数据库索引加速查询7. 扩展应用与未来方向基于现有系统可以进一步扩展以下功能智能辨证辅助系统症状输入 → 可能的证型 → 推荐方剂考虑症状权重和组合模式方剂配伍网络分析构建药材共现网络发现潜在的新组合跨文献知识图谱整合《金匮要略》等其他经典建立更完整的经方知识体系# 配伍网络分析示例 def analyze_herb_network(db_conn): cursor db_conn.cursor() cursor.execute(SELECT composition FROM prescriptions) compositions [row[0] for row in cursor.fetchall()] herb_pairs [] for comp in compositions: herbs comp.split(、) for i in range(len(herbs)): for j in range(i1, len(herbs)): herb_pairs.append((herbs[i].strip(), herbs[j].strip())) return pd.DataFrame(herb_pairs, columns[Herb1, Herb2])实际开发中发现经方数据库的构建不只是技术实现更需要中医药专业知识的深度参与。特别是在实体关系定义阶段必须尊重中医理论体系的特点避免简单套用西医疾病分类模式。